Ana səhifə

Ülke riSKİ etmenleriNİn yapay siNİr ağlari kullanilarak belirlenmesi: TÜRKİye örneğİ Examination of Country Risk Determinants Using Artificial Neural Networks: The Case of Turkey


Yüklə 87.03 Kb.
tarix12.06.2016
ölçüsü87.03 Kb.
ÜLKE RİSKİ ETMENLERİNİN YAPAY SİNİR AĞLARI KULLANILARAK BELİRLENMESİ: TÜRKİYE ÖRNEĞİ
Examination of Country Risk Determinants Using Artificial Neural Networks: The Case of Turkey
ÖZET

Bu çalışmanın amacı, Türkiye’de ülke riski tahminine yönelik işlevsel bir yapay sinir ağı modelinin oluşturulabilmesidir. Bu amaçla, OECD tarafından yayımlanan ve 210 ülkeye ilişkin risk derecelerinin yer aldığı raporun ışığında, önemli bazı makro ekonomik göstergelerin 1998 – 2009 yılları arasında gösterdikleri aylık değişimler kullanılarak parametrik olmayan bir model denemesi gerçekleştirilmiştir. Oluşturulan tek gizli katmanlı ileri beslemeli yapay sinir ağı modeli yardımıyla, tüm gözlemlerin 93,0 %’ü doğru sınıflandırılırken, görünümün olumsuz olduğu dönemler için bu oranın 98,5 %’e kadar yükseldiği görülmüştür. Önemli bulunan ülke riski etmenleri arasında yer alan Reel Kur Endeksi değişimlerinin ülke riski üzerinde ters yönlü bir etki yarattığı, TL lehine olan kur değişimlerinin ülke görünümüne olumlu yansıdığı anlaşılmıştır. Beklendiği üzere, Gayri Safi Yurtiçi Hasıla (GSYİH) artışları neticesinde ülke riski azalış gösterirken, Üretici Fiyat Endeksi (ÜFE)’ne ilişkin artış trendinin ülke riskinde gözlenen paralel bir artış eğilimi ile karşılık bulduğu gözlenmiştir. Ayrıca, Merkez Bankası’nın dış yükümlükleri ile ülke riski değişimleri arasında tespit edilen doğru orantılı ilişki, Türkiye’nin dışa bağımlı ekonomik işleyişi ve artan yükümlülüklerin ülke kredibiliteleri için olumlu bir gösterge olarak algılanabileceği olgusu ile açıklanabilir.


Anahtar Kelimeler: Ülke riski etmenleri, makroekonomik göstergeler, parametrik olmayan modelleme, yapay sinir

ağları, Türkiye



ABSTRACT
The purpose of this study is to construct a functional model to forecast country risk changes in Turkey with the help of artificial neural networks. To accomplish that, a non-parametric model has been derived by using the monthly changes in some specific macroeconomic indicators between the years 1999 and 2009 in the light of the report published by OECD including the risk ratings of 210 countries. 93, 0 % of all the observations can be classified correctly with the established feed-forwarding neural network model consisting of only one hidden layer while the correct classification rate has increased up to 98,5 % for the terms with improved conditions. We conclude that the Real Exchange Rate Index among the variables found to be significant in the model has caused a reverse effect on country risk level so, the index changes in favor of TL are reflected positively to the country’s view. Expectedly, we have also observed that country risk level decreases as a result of the increases in Gross Domestic Product (GDP) whereas an increasing trend in the Producer Price Index (PPI) has been matched with a parallel trend in country risk. In addition, the observed direct relationship between country risk level and the external liabilities of the central bank can be explained with the phenomena that ascending volumes of external liabilities could be regarded as a good signal of country’s improved credibility and that Turkey has an economy which has been dependent mainly on external sources and majorly financed with external debts.
Keywords : Country risk determinants, macroeconomic indicators, non-parametric modeling, artificial neural

networks, Turkey




  1. GİRİŞ

Bir ülkenin genel görünümünün o ülkede faaliyet gösteren ekonomik birimlerin ve bireylerin refahı üzerinde doğrudan bir etkiye sahip olduğu yadsınamaz bir gerçektir. Bu noktada, karar verici durumundaki organların veya kişilerin temsil ettikleri tarafların başarısı açısından, bulunulan ülke koşullarının ne şekilde değişeceği ve bu değişimlerin söz konusu taraflar üzerindeki muhtemel etkilerinin ne olabileceği hususlarında isabetli öngörülerde bulunabilmeleri gerekmektedir.


Ülke riski, sadece politik risk olmayıp, ekonomik ve sosyal boyutlarıyla da o ülkedeki tüm birimleri etkileyen global bir risk kavramıdır (Hood, 2001). Ancak, aynı ülke içerisinde farklı sektörlerde farklı risk profilleri de söz konusu olabilmektedir. Bu nedenle, her sektörün bu riskten etkilenme derecesi ve şekli farklılık arz edebilmektedir (Khattab vd, 2010). Ayrıca, daha ziyade sınır ötesi yatırımlar ve yabancı yatırımcılar perspektifinden değerlendirilen (Oetzel, 2005) ülke riskinin, yerli ekonomik birimler açısından da ciddi sonuçlar üretebildiği unutulmamalıdır.
İktisadi anlamda, uygun olmayan ekonomi politikalarının yerli ekonomiye zarar vererek ödemeler dengesi krizlerine yol açması olarak tanımlanan ülke riski, kurumların uluslararası yatırımlarının etkin dağıtımı ve bankaların yurt dışı kredi plasmanları açısından büyük ehemmiyete sahiptir (Merrill, 1982). Nitekim, rasyonel olmayan yanlış ekonomi uygulamaları ve politik belirsizliklerin o ülkenin borçları ve yatırımları üzerinde menfi etkiler yarattığı görülmüştür (Shapiro, 1999). Dış borçların yönetiminde yeterli döviz bulunduramamadan kaynaklanan zafiyet neticesinde borç birikimi aşırı noktalara ulaşmaktadır (Bourke ve Shanmugam, 1990). Aşırı dış borç yüküyle yürütülmeye çalışılan ülke ekonomilerinin, söz konusu borç düzeyinin belli bir kritik noktayı geçmesi durumunda beklenmeyen kötü bir şokla birlikte iflas noktasına geldikleri anlaşılmaktadır (Stein ve Paladino, 2001). Bu noktada, gelişmekte olan ülkelerin yüksek ithalat ve düşük ihracat hacimleri nedeniyle ödemeler dengesi sorunlarına daha duyarlı hale geldikleri ve bu ülkelerin, borçların geri ödenmesinde yaşadıkları darboğazların etkisiyle daha sık ekonomik deformasyona uğradıkları tecrübe edilmiştir.

Mikro ve makro bazda çok ciddi etkileri olan ülke riskinin oluşumunda belirleyici durumundaki etmenlerin belirlenmesi amacıyla son yıllarda gerçekleştirilmiş olan çok sayıda bilimsel çalışma mevcuttur. Bu konuya olan yoğun ilginin en önemli nedeni, özellikle uluslararası faaliyetler içerisinde olan kurumların küresel yatırımlarının yönetiminde, ülke riski değişimlerini ve bu değişimlerin etkilerini tahmin edebilme noktasında gösterdikleri olağanüstü gayrettir. Faaliyet gösterilen ülkelerde yaşanan ekonomik, sosyal ve politik gelişmelerin neden olduğu risk katkısının, kurumların finansal çıkarları açısından çoğu zaman istenmeyen durumlara sebebiyet verildiği bilinmektedir. Bu nedenle, yöneticiler stratejilerini inşa ederken ülke riski analizlerine dayanmak zorundadırlar (Vij, 2005).

Ülke riskinin tahmin edilmesi ve risk etmenlerinin tespiti amaçlarına hizmet edecek olan modelleme çalışmalarının bir finansal krize ilişkin semptomların belirlenmesi ve takibinden ziyade, bir ülkenin ekonomik durumunun öngörülebilmesine yönelik olarak gerçekleştirilmesi gerekmektedir (Schroeder, 2007). Ülke riskine ilişkin olarak yakın geçmişte gerçekleştirilen ampirik çalışmaların önemli bir kısmı ülke riski belirleyicilerinin ortaya konulmasını amaç edinirken, diğer çalışmaların odak noktasını piyasa verilerine dayalı indirgenmiş modellerin kredi derecelendirme kuruluşlarının risk öngörüleriyle karşılaştırması konusu oluşturmuştur.
Risk etmenlerinin belirlenmesi amacıyla Burton ve Inoue (1985) tarafından gerçekleştirilen bir çalışmada ekonomik ve sosyo-politik faktörlerin ülke riski üzerindeki etkileri incelenmiştir. Çalışmada, Dış Borç / Gayri Safi Milli Hasıla (GSMH) oranı, dış borcun vade yapısı ve Dış Borç Geri Ödemeleri / İhracat Hacmi gibi makroekonomik göstergelerle ülke riski arasında zayıf da olsa anlamlı bir ilişki tespit edilmiştir. Aynı şekilde, Brewer ve Rivoli (1990) ve Cantor ve Packer (1996), politik ve ekonomik parametrelerle ülke riski arasında net ve anlamlı ilişkilerin varlığını ortaya koymuşlardır. Bu ekolün diğer temsilcileri olan Oetzel ve Bettis (2001) de, ekonomik, sosyal ve politik unsurların ülke riskinin oluşumunda belirleyici oldukları görüşünü destekleyen ampirik bulgulara ulaşmıştır. Gerçekleştirilmiş olan çalışmaların çoğunda Gayri Safi Yurtiçi Hasıla, enflasyon, cari ödemeler dengesi, kişi başına düşen milli gelir, ihracat, ithalat ve dış borç gibi ekonomik parametrelerin ülke riski üzerindeki güçlü etkilerine hükmeden tespitler yapılmıştır (Soussanov, 2002). Gelişmekte olan ülke ekonomilerini konu alan çalışmalar arasında yer alan Vij ve Kapoor (2007) tarafından Hindistan üzerine gerçekleştirilen bir araştırmada, üç makroekonomik değişkenin - ekonomik büyüme oranı (GSMH büyümesi), Cari Hesap Dengesi / GSMH ve Dış Borç Faiz Ödemeleri / GSMH - ülke riskini önemli düzeyde etkiledikleri belirlenmiş, politik riskin ülkenin genel görünümü açısından göz ardı edilemeyecek bir unsur olduğu anlaşılmıştır.

Ülke riski tahmin modellerinde kullanılacak uygun açıklayıcı değişkenlerin belirlenmesi kapsamında sunulan bazı istisnai çalışmalarda ise, risk etmenlerinin kolektif etkilerinin tek bir parametre ile temsil edilmesini olanaklı kılan model önerileri ortaya konulmuştur (Hammer vd., 2004), (Linder ve Santiso, 2002).


Ülke riskinin modellenmesi bağlamında, kullanılan verilerin ve tahmin metodolojisinin model performansları üzerindeki olası etkilerini karşılaştırmalı olarak ele alan bir diğer araştırma grubunda, piyasa verileri kullanılarak oluşturulan özet ekonometrik modellere ait sonuçların, risk derecelendirme şirketlerinin tahminleriyle mukayeseli olarak ele alındıkları görülmektedir. Bu konudaki ilk iki çalışma Feder ve Uy (1985) ile Brewer ve Rivoli (1990) tarafından gerçekleştirilmiştir. Her iki çalışmada da Euromoney ve Institutional Insvestor tarafından yayınlanan ülke riski derecelendirmeleri, spesifik makro parametreler yardımıyla tahmin edilmeye çalışılmıştır. Takip eden çalışmalarda ise, araştırmacılar tarafından inşa edilen ekonometrik tahmin modellerinin risk derecelendirme kuruluşlarının tahminlerine kıyasla ne denli başarılı oldukları test edilmiştir. Elde edilen bulguların ışığında, ekonometrik model önerilerinin genellikle üstünlüğüne hükmedilmiştir. Gür (2001) tarafından 34 adet gelişmekte olan ülkenin 1986 – 1998 yılları arasındaki piyasa verileri kullanılarak gerçekleştirilen araştırmada, oluşturulan ekonometrik modellerin ürettiği tahminlerin daha başarılı olduğu sonucuna varılmıştır. Benzer şekilde, Karmann ve Maltriz (2010), aralarında Türkiye’nin de aralarında bulunduğu 19 gelişmekte olan ülke üzerinde yaptıkları 1998 – 2007 dönemini kapsayan çalışmada elde ettikleri bulgularla, ekonometrik tekniklere dayalı modellerin daha başarılı olduklarına işaret etmişlerdir.
Geliştirilen ekonometrik tahmin modellerinin bir çoğunda Doğrusal Diskriminant (MDA), Lojistik Regresyon (LR) ve Probit Regresyon analizlerinden faydalanılmıştır (Haque, 2008 ve Vij, 2005). Ancak, söz konusu bu parametrik tekniklerin çoklu doğrusal bağlantı sorununu aşamamaları ve bu durumun model sonuçlarının geçerliliği üzerinde yarattığı şüphe nedeniyle, özellikle birbirleriyle güçlü ilişki içerisinde olan ekonomik değişkenlerin kullanıldığı araştırmalarda, Yapay Sinir Ağları gibi parametrik olmayan sayısal tekniklerin kullanımı hız kazanmıştır. Parametrik olmayan tekniklerin dağılım varsayımı içermemeleri ve değişkenler arasındaki karşılıklı ilişkileri tahminlere başarıyla yansıtabilmeleri bu eğilimin temel nedeni olmuştur.
Bu çalışmada, ülkemize ilişkin risk öngörülerinin yapılabilmesine yönelik olarak geliştirilmiş, uluslararası risk derecelendirme verilerine dayalı bir model önerisi ortaya konulmuştur. Model tahminlerinin 99 % güven düzeyinde yalın bir modele kıyasla daha başarılı olduğu hipotezi test edilecektir. Çalışmada SPSS programından faydalanılmıştır.
2. ARAŞTIRMANIN AMACI VE YÖNTEM
Ülkemize ilişkin risk değişimlerinin isabetli bir biçimde tahmin edilebilmesine olanak tanıyacak parametrik olmayan bir model önerisinin ortaya konulabilmesi ve Türkiye’ye özgü ülke riski etmenlerinin tespit edilmesi, araştırmamızın ana amacını oluşturmaktadır. Bu bağlamda, OECD kaynaklı ülke riski verileri üzerinden hesaplanan risk ölçümlerinin modelde kapsanan makroekonomik göstergeler kullanılarak bir Yapay Sinir Ağı yardımıyla tahmin edilmesi sağlanmıştır.
2.1. Örneklem ve Model Değişkenleri
Analiz dönemi olarak baz aldığımız Aralık 1998 – Mart 2009 tarih aralığında yer alan 123 ay için ülke riski değişimlerine ilişkin OECD kaynaklı resmi verilerin (OECD, 2009) yanı sıra, modelde kullanılmasına karar verilen Tablo 1’deki makroekonomik göstergelere ait gözlem değerleri hesaplanmıştır . Ülke riski değişimlerinin ölçülmesi aşamasında, yüksek prestije ve güvenilirliğe sahip Moody’s gibi uluslararası derecelendirme şirketlerinin ülke riski projeksiyonlarına ilişkin içsel verilerini kamuyla paylaşmıyor olmaları ve paylaşım için yüksek tutarlar talep etmeleri, hazır ve güvenilir veri mevcudiyeti açısından sorun teşkil etmiştir. Bu nedenle, OECD’nin resmi web sitesinde yer alan, dünya ülkelerinin risk sınıflandırmalarına ilişkin resmi verilerin kullanılmasına karar verilmiş ve ülkemizin risk profili, normal dağılım öngörüleri doğrultusunda bu veriler üzerinde gerçekleştirdiğimiz olasılık analizleri yardımıyla sayısallaştırılmıştır.
Tablo 1 Buraya

Araştırmanın ana temasının risk ölçümü olması sebebiyle, literatürde risk tahminine ilişkin olarak gerçekleştirilmiş bilimsel çalışmaların temel metodolojileri gereği, riskin maksimum (1) ve minimum (0) düzeylerini temsil eden referans olaylar baz alınarak belirlenen kategorik değişken modelin hedef değişkeni (YM) olarak kanul edilmiştir. Bu bağlamda, kategorik ayırım, ülkenin genel risk düzeyinin yükselişi (1) veya en kötü ihtimalle aynı kalması (0) durumlarına dayandırılmıştır.


Daha önce de belirtildiği üzere, uygun kategorik değerlerin tayini noktasında OECD tarafından dünya çapında 210 ülke için 0 ile 7 aralığında belirlenmiş risk derecelendirme değerleri kullanılmıştır. En düşük risk derecesi 0 olarak kabul edilirken, bir üst risk derecesi, ilgili ülke koşullarının daha olumsuz bir hal alacağı beklentisine karşılık gelmektedir.
Ülkemiz için aylık risk değişimlerini tespit ederken, öncelikle, her dönem (ay) için dünya ülkelerine ait ortalama bir risk değeri ile söz konusu risk dağılımının standart sapması hesaplanmıştır. Sonrasında, Denklem 1’deki formül yardımıyla ve ülkemize atfedilen aylık risk dereceleri baz alınarak her ay için belli bir normal dağılım standart Z değeri belirlenmiştir.
(1)

Denklemde, Zt standart normal dağılım değerini, Xt ülkenin t dönemindeki risk derecesini, σ ise dağılımın standart sapmasını temsil etmektedir.


Belirlenen dönemsel standart değerler kullanılarak, ilgili döneme ait birikimli normal dağılım olasılıkları hesaplanmış olup, bulunan değerler ülke riskinin ilgili dönemlere ait sayısal bir göstergesi olarak kabul edilmiştir. Daha sonra, olasılık değerlerinde aylar itibariyle meydana gelen değişimler tespit edilerek, değişimin pozitif olduğu aylar için risk düzeyinin artmış olduğu öngörülmüş ve ülke riski kategorik değişkenine 1 değeri tayin edilmiştir. Ülke riski değişiminin negatif veya sıfır olduğu durumlarda ise değişken 0 değerini almıştır.
Girdi değişkenlerine ait açıklamalarında yer alan tüm değişim tutarları ve oranlar aylık bazda hesaplanmıştır. Yayınlanan endeks değerlerinin sabit dönem bazlı olmaları sebebiyle, endekslere ait aylık değişimlerin hesaplanabilmesi için aşağıdaki formül kullanılmıştır:
(2)

Denklem 2’de, Et cari ayın endeks değerini, Et-1 ise bir önceki ayın endeks değerini göstermektedir. ∆Et ise aylık endeks değişimini (zincirleme endeks) ifade etmektedir.


Mutlak tutarlara ait değişim oranları ise, cari ay tutarı ile bir önceki ayın ilgili tutarı arasındaki farkın, bir önceki ayın tutarına oranlanması yolu ile hesaplanmıştır. Oranlara ait değişimler belirlenirken aylık oranlar arasındaki farklar doğrudan alınmıştır. Endeks değerlerinin üç aylık dönemler itibariyle yayınlandığı durumlarda, aylık ortalama değişimler üç aylık değişimlerin geometrik ortalaması alınarak hesaplanmıştır.
Ödemeler dengesi verilerinin belli dönemlerde negatif değerler alması, basit değişim oranı formülüyle elde edilecek değerlerin güvenilirliliğini azaltmaktadır. Bu nedenle, ilk aşamada ödemeler dengesinde meydana gelen değişimlerin mutlak değerleri üzerinde logaritmik dönüşüm işlemi gerçekleştirilmiştir. İkinci aşamada, dönüştürülmüş yeni değerler; değişimin negatif olması durumunda -1, pozitif olması durumunda + 1 ile çarpılmıştır.
Modelde kapsanan enflasyon, döviz kurları ve ücretler gibi temel makroekonomik göstergeler arasındaki dengeler piyasa ekonomilerinde büyük önem taşımaktadırlar. Denge durumlarına ilişkin bozulmalar mali, ekonomik ve sosyal krizlere neden olabilmektedir (Chambers vd., 2003). Oluşan kriz ortamlarında bank performanslarında ciddi olumsuzluklar gözlenmekte, hatta, banka iflasları neticesinde mali sektör küçülebilmektedir.
Girdi değişken seti içerisinde XM12 - XM21 aralığında listelenen Merkez Bankası Bilançosu verileri, ülke ekonomilerinin istikrarına ve gücüne ilişkin önemli ipuçları vermeleri nedeniyle ülkelerin mali performansları açısından önemli ölçütler olarak değerlendirilmekte ve yapılan makroekonomik analizlerde üzerinde hassasiyetle durulan göstergeler arasında yer almaktadırlar (Serdengeçti, 1999).
2.2. Veri Analiz Süreci
Kapsanan değişkenlerin ülke riski değişimini belirleme gücünün, bir aydan daha uzun periyotlar için hesaplanacak ortalama değerlerin kullanımı sayesinde artırılabilecek olması beklentisiyle, söz konusu açıklayıcı değişkenler için 3 aylık, 6 aylık ve 12 aylık hareketli ortalama gözlem değerleri tayin edilmiştir. Modelleme için en uygun veri setinin belirlenmesi amacıyla eşanlı ve bir ay gecikmeli gözlem değerleri yardımıyla oluşturulan 8 farklı veri seti üzerinde toplu açıklama gücü testi gerçekleştirilmiştir.
Ülke riski tahmin modellerinde kullanılabilir özellik arz eden 8 adet veri seti üzerinde gerçekleştirdiğimiz Tek Değişkenli Varyans analizlerinin özet sonuçları Tablo 2’de sunulmuştur. Sonuçlardan da anlaşılacağı üzere, 111 adet 12 aylık ortalama değerden oluşan bir ay gecikmeli veri seti, ülke riski değişimlerini en yüksek isabetlilikle açıklayabilen gözlem seti durumundadır.
Tablo 2 Buraya

2.3. Yapay Sinir Ağı Model Mimarisi
Yapay Sinir Ağları, insan beyninden esinlenerek geliştirilmiş, ağırlıklandırılmış bağlantılar aracılığıyla birbirlerine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan öğrenebilen, paralel ve dağıtılmış bilgi işleme yapıları olarak tanımlanmaktadır. Yapay Sinir Ağları’nın temel birimi, işlem elemanı veya düğüm (node) olarak adlandırılan yapay bir sinirdir (Çuhacı, 2004).
Şekil 1 Buraya

Şekil 1’de; Xi giriş değerlerini, Wi ağırlık değerlerini ve θ ise eşik değerini ifade etmektedir. Giriş değerleri sistem tarafından başlangıç değerleri ile çarpılır ve çarpım sonuçlarının genel toplamı alınır. Bu değer, bir sonraki aşamada belli bir aktivasyon fonksiyonundan geçirilerek çıkış değerine dönüştürülür. Çıkış değeri, önceden belirlenmiş bir eşik değeri ile toplandığında söz konusu eşik değerini aşmıyorsa düğüm tetiklenmemektedir (Çuhacı, 2004).


Girdi ve çıktı katmanlarından oluşan ve gizli katman içermeyen basit sinir ağına perceptron adı verilmektedir. Birden fazla girişi ve tek çıkışı olan bu yapılar genellikle nesneleri iki farklı sınıfa ayırmak için kullanılmıştır. Basit tek katmanlı ve tek sinirli perceptronun öğrenme algoritmasının işleyişi şu şekilde özetlenebilir:
1.Aşama: Giriş vektörleri (değerleri) girilir.

2.Aşama: Giriş vektörleri ağırlık vektörleriyle çarpılır ve çarpım değerlerinin

toplamları hesaplanır.



3.Aşama: Çarpımların toplam değerleri, aktivasyon fonksiyonu yardımı ile istenilen sınırlar içerisinde çıkış değerlerine dönüştürülür. Hedef çıkış değeri ile tahmin değeri arasında uyumsuzluk var ise, perceptron giriş değerlerinin ağırlıklarında revizyona gidilecek ve yeni bir tur (epoch) başlayacaktır. Bu süreç, hedef değer ile tahmini değer arasında bir uyum yakalanıncaya kadar devam edecektir.
Ağırlık vektörünün revize edilmesi aşağıdaki formül yardımıyla gerçekleştirilmektedir:
(3)
Yukarıdaki denklemde; W ağırlık değerini gösterirken, ή öğrenme katsayısını, o tahmin değerini, t hedef değerini, Xi ise giriş vektörünü temsil etmektedir. Öğrenme katsayısı sinirin öğrenme hızını belirlemektedir. Bu katsayının küçük tutulması, öğrenme sürecinin yavaş ve emin adımlarla gerçekleşmesini sağlamakta ancak, daha büyük veri setlerinin kullanımını gerekli kılmaktadır. Katsayının yüksek tutulması ile ihtiyaç duyulan veri miktarı azalıyor olmasına karşın, öğrenme hızındaki artışa bağlı olarak optimum sonuca ulaşma ihtimali düşmektedir. Bu nedenle, en uygun öğrenme katsayısının tespiti bir deneme-yanılma süreci haline gelmektedir.
Tek katmanlı ve tek sinirli perceptronların karmaşık problemlerin çözümünde yetersiz kalışı, çok katmanlı yapay sinir ağlarının (Multilayer Perceptron - MLP) geliştirilmesine önayak olmuştur. Çok katmanlı sinir ağları, giriş ve çıkış katmanlarının yanı sıra gizli ara katmanlar da içerebilmektedir. Karmaşık yapıları gereği, daha karmaşık problemlerin çözümünde kullanılabilmektedirler. Gizli katmanların ve bu katmanlar üzerindeki düğüm sayılarının artışı, daha karmaşık problemlerin çözümlerinde daha başarılı sonuçların elde edilmesini sağlamakla birlikte, çok fazla sayıda gözlemin kullanılmasını gerekli kılmaktadır.
Perceptronlar gibi, çok katmanlı yapay sinir ağları da öğrenme kabiliyetine sahiptir. Öğrenme süreci, İleri Beslemeli (feedforward) ve Geri Yayılımlı (backpropogation) olmak üzere iki farklı şekilde gerçekleştirilebilmektedir. Giriş ağırlıklarının gözden geçirilmesi ve ayarlanması daha karmaşık bir süreci gerektirmektedir. Özellikle gizli katman çıkış değerlerinin karşılaştırılabileceği hedef değerlerin olmayışı işi zorlaştırmakta, gizli katman ağırlıklarının revize edilmesinde genel çıkış değerlerinin baz alınmasını zaruri hale getirmektedir.
Şekil 2’de tek bir gizli katmana sahip çok katmanlı bir yapay sinir ağının gösterimi yer almaktadır:
Şekil 2 Buraya

MLP uygulamalarının öncesinde ve esnasında bazı kritik hususlara ilişkin olarak verilecek kararların, yapay sinir ağı modellerinin başarısı ve ortaya koydukları sonuçların geçerliliği üzerinde belirleyici olduğu bilinmektedir. Bahsi geçen temel hususlar şu şekilde özetlenebilir:




  • Ağ mimarisinde yer alacak gizli katman sayısı ile gizli katmanların içereceği uygun düğüm (değişken) sayılarının belirlenmesi,

  • Tahmin hatalarının en aza indirgenmesi sürecini kısaltacak ve güvenilir sonuçlara ulaştıracak en uygun öğrenme algoritmasının tercih edilmesi,

  • Bağlantı ağırlıklarının oluşan hata düzeylerine göre ne sıklıkta revize edileceği hususuna yön veren öğrenme tipi seçimi,

  • Maksimum tur sınırlaması tayini,

  • Öğrenme katsayısı ve geri dönük katsayı düzenlemelerinde kullanılacak momentum değerinin tespiti,

  • Gözlem sayısı ve gözlemlerin bölümlendirilmesinde kullanılacak oranlara ilişkin karar. SPSS uygulamasında veri setinin üç kısma bölünmesi uygun bulunmaktadır:




  1. Eğitim (Training) Seti: Modelin geliştirilmesi aşamasında kullanılan gözlem değerlerini içermektedir.

  2. Test Seti: Model sonuçlarının ne derece tatmin edici olduğunun ve modelleme sürecinin hangi noktada durdurulması gerektiğine ilişkin kararın alınmasında kullanılan alt veri setidir.

  3. Geçerlilik (Holdout) Seti: Model sonuçlarını geçerliliğinin tespitinde kullanılan ve modelleme sürecinin dışından bağımsız bir örneklem olarak tutulan gözlem setidir.

Gözlemlerin hangi oranlarda bölümlendirileceğine ilişkin karar araştırmacıya bırakılmış olmakla beraber, bu konudaki yaygın uygulama gözlemlerin 60 %’ı veya daha büyük bir kısmının eğitim seti olarak kullanılmasını ve kalan gözlemlerin test seti lehine paylaştırılmasını öngörmektedir.




  • Gözlem değerlerinin tahmin başarısını artırmak amacıyla dönüştürmeye tabi tutulup tutulmayacağı,

  • En iyi sonuca ulaşma sürecinin alacağı maksimum süreye ilişkin sınırlama,

  • Tüm sayısal tahmin tekniklerinin nihai amacı, ağ mimarisi içerisinde kapsanan girdi katmanı ve gizli katmanlar üzerinde yer alan düğüm (değişken) sayılarının mümkün olduğunca az tutulması.

Ağ mimarileri oluşturulurken verilecek bu tip kritik kararların ve yapılacak seçimlerin modellerin tahmin performansları ve güvenilirlikleri açısından yaratacakları muhtemel etkiler dikkate alındığında, tüm olası durumların denenebilmesi hem zaman hem de mevcut veri miktarı açısından mümkün olamamaktadır. Modelleme sürecinde kullanılacak en uygun algoritmaların ne olması gerektiği sorusu da başka bir sıkıntı noktasını oluşturmaktadır


Yapay Sinir Ağı Tekniği, parametrik tekniklerin dayandırıldıkları kısıtlayıcı ve çoğu zaman rasyonel olmayan varsayımlara sahip olmaması nedeniyle değişkenler arasındaki doğrusal olmayan ilişkilerin tespitini mümkün hale getirmektedir. Buradaki tek sorun, tahminlere yansıyan bu ilişkilerin, parametrik tekniklerden farklı olarak işlevsel parametrelerle ifade edilememeleridir. Mevcut yazılım programları yardımıyla hedef değişkenlere ait tahmin değerleriyle birlikte, modele dahil edilen ve önemli bulunan girdi değişkenlerine ilişkin nispi önem düzeyleri analiz edilebilmektedir. Değişkenler arasındaki ilişkilerin yönü, kuvveti ve istatistiksel olarak anlamlılıkları hususunda ise klasik korelasyon testlerine (parametrik ve parametrik olmayan) başvurulmaktadır.
Çalışmamız kapsamında oluşturacağımız Yapay Sinir Ağı modellerinin tümünde modelleme sürecinin bilinen çıktı değerlerine göre şekillendirildiği kontrollü ağ mimarisi kullanılmıştır. Söz konusu modellerde sadece 1 gizli katmana yer verilmiştir. Böylelikle kullanılan ağ yapısı Şekil 2’deki duruma benzerlik arz ederek, üç katmandan oluşan, eşanlı, ve ileri beslemeli bir ağ analizi haline dönüşmüştür. Girdi katmanındaki düğüm sayısı kullanılan açıklayıcı değişken sayısı ile aynı olurken, çıktı katmanındaki düğüm sayısı 2 olarak (0 ve 1 rakamlarına karşılık gelen durumlar) belirlenmiştir.
Sosyal bilimler alanında yapılan çalışmaların çoğunda olduğu gibi, gözlem sayısının azlığı nedeniyle, mevcut gözlemlerin 70 %’i eğitim seti ve 30 %’u test seti olarak değerlendirilmiştir. Bununla birlikte, girdi değerlerinin standardize edilmiş halleriyle modele dahil edilmeleri yoluna gidilmiştir.1
Çıktı değerlerinin doğası gereği, katmanlar arasında kullanılacak aktivasyon fonksiyonları için lojistik dönüştürme fonksiyonu tercih edilmiştir. Aktivasyon fonksiyonuna ilişkin bu seçime bağlı olarak hata hesaplamasında, önceki bilimsel araştırmalarda da önerildiği üzere, Hata Kareleri Toplamı yöntemi uygulanmıştır (Coakley ve Brown, 2000)
Gözlem sayısının az olması sebebiyle Yığın Öğrenme Tipi ile çalışılmıştır. Diğer taraftan, toplam tahmin hatasının azaltılmasına yönelik katsayı revizyonlarına yön vermesi amacıyla Eğimli İniş Optimizasyon Algoritması kullanılmıştır. Öğrenme katsayısı, maksimum öğrenme süresi, maksimum tur sınırlaması ve bunlara bağlı diğer anahtar parametrelerin değer tayininde, kullanılan paket programın standart değerleri dikkate alınmış ve herhangi bir değişikliğe gidilmemiştir. Başlangıç öğrenme katsayısı 0,4 olurken, geriye dönük katsayı ayarlamalarında kullanılacak momentum değeri 0,9 olarak belirlenmiştir. Maksimum tur sayısının program tarafından otomatik hesaplanması sağlanmış olup maksimum öğrenme süresi 15 dakika ile sınırlı tutulmuştur. Katsayı ayarlamasını tetikleyecek spesifik ölçüt durumundaki minimum öğrenme hatası değişimi parametresi için 0,0001 değeri tayin edilmiştir.
Sınıflandırmada kullanılan en iyi eşik değeri İşlem Karakteristiği Eğri Analizi (ROC) yardımıyla hesaplanmıştır. Sınıflandırma modellerinde karşılaşılan tahmin hatası iki şekilde ortaya çıkmaktadır. Tip I hatası adı verilen hata türü, gerçekte olumsuz olarak gerçekleşen bir durumun model tarafından olumlu olarak tahminini ifade etmektedir. Tip II hata türünde ise, gerçekte olumlu bir gözlemin olumsuz şeklinde yorumlanmasıdır.

Gizli katmanda yer alacak başlangıç düğüm sayıları Masters tarafından önerilen ve Torsun tarafından uygulanan yaklaşımla belirlenmiştir (Torsun, 1996). Değişken eleme işlemi birkaç safhada gerçekleştirilmiştir. Başlangıç safhasında tüm değişkenlerin modelde yer almaları sağlanmış ve makul bir tahmin performansı sağlanıncaya kadar model denemesine devam edilmiş ve en düşük tahmin hatasının yakalandığı aşamada safha durdurulmuştur. Her safha sonunda elde edilen ara model çıktılarında modellerin özet detayları, doğru sınıflandırma istatistikleri ve açıklayıcı değişken önem düzeyi sonuçları yer almıştır. Girdi değişkenlerinin ağ içerisindeki nispi önemlerine ilişkin değerler dikkate alınarak belli sayıda değişkenin modelden çıkarılması sağlanmıştır. Modelden çıkarılan değişkenlerin nispi önemlerinin, toplam bazda, 0,05’i geçmemesine özen gösterilmiştir. Böylelikle, değişken eleminin mümkün olmadığı safhaya kadar işlem sürdürülmüş ve nihayetinde en iyi model önerisine ulaşılmıştır.


3. MODEL SONUÇLARI
Tablo 3’te yer alan 12 girdi değişkeninden oluşan Yapay Sinir Ağı modeli, tüm gözlemlerin doğru sınıflandırılması noktasında 93,0 % gibi çok yüksek bir isabetlilik sağlamıştır. Başarılı tahmin yüzdesi, ülke riskinin artış gösterdiği gözlemlerde en yüksek değerine ulaşmış ve 98,5 % olmuştur. Model performansının, beklentilerin olumlu olduğu dönemlerde nispeten daha düşük bir düzeyde (87,0 %) gerçekleştiği tespit edilmiştir. Modelin, ülke riskine ilişkin beklentilerin olumsuz olduğu aylar için yapılan tahminler açısından tüm modellerin en iyisi olduğu anlaşılmaktadır. Nihai ağ modelimizin gizli katmanında sadece 5 adet düğüm bulunmaktadır. Tahmin hatalarının kareleri toplamı 7,6 değerini vermiştir.
Tablo 3 Buraya

Tablo 4’teki veriler ışığında, modelin tahmin performansının yalın bir modelin tahmin performansından daha iyi olduğu anlaşılmaktadır. Alan istatistiği (0,960), 1 değerine çok yakın olup asimptotik önem düzeyi 0,001’den küçüktür. Modele ait SPSS çıktısı Tablo 5 ve Tablo 6 verilmiştir.


Tablo 4 Buraya

Tablo 3’teki korelasyon katsayıları ve hesaplanan önem düzeyleri dikkate alındığında, önemli bulunan tüm değişkenlerin ilişki güçlerinin düşük veya orta düzeyde (<0,7) gerçekleştiği tespit edilmiştir. Ancak, TÜFE yerine, ÜFE Değişimi modelde yer almıştır. ÜFE değişimleri ile ülke riski skorları arasında pozitif bir ilişki belirlenmiştir. BLR değişkenlerine ek olarak, modelde tutulmaya değer bulunan diğer değişkenler sırasıyla; Reel Kur Endeksi Değişimi, Emisyon Değişimi, Açık Piyasa İşlemleri Değişimi ve Ücret Endeksi Değişimi’dir. Açık Piyasa İşlemleri Değişimi dışındaki tüm değişkenlerin ülke riski değişimiyle ilişkileri ters yönde olup, bu tespit teoriye uygun bir sonuç olarak görülebilir.


Değişkenlerin nispi önem yüzdelerine göre Reel Kur Endeksi Değişimi ilk sırayı alırken, bu değişkeni sırasıyla; İç Varlık Değişimi, Rezerv Değişimi, Dış Yükümlülükler Değişimi, Açık Piyasa İşlemleri Değişimi, Piyasa Faiz Oranı Değişimi ve Güven Endeksi Değişimi takip etmiştir. En az öneme haiz makroekonomik gösterge ise Emisyon Değişimi olmuştur.
En önemli girdi değişkeni durumundaki (100 % nispi önem) Reel Kur Endeksi değişimleri, teoride, ülkelerin ulusal para birimlerine ait anlık kurların Satın Alma Gücü Paritesi’nin öngördüğü teorik denge değerinden ne derece farklılık arz ettiğine ilişkin bir ölçüt olarak kabul edilmektedir. Endeksin yükselmesi, ulusal para biriminin reel bazda yabancı para birimleri karşısında gereğinden fazla değer kazandığını göstermektedir (Korkmaz, 2006). Elde edilen bu sonuç, endeksin artışına bağlı olarak riskin azaldığına ilişkin kısa vadeli bir piyasa algısının modele yansıması şeklinde yorumlanabilir. 123 aylık analiz dönemi içerisinde endeks değişiminin ortalama değeri 0,0032 olmuştur. 79 ay için değişim pozitif bir değer alırken, sadece 44 dönem için reel kur endeksinde azalma meydana gelmiştir. İhracat – İthalat dengesindeki değişimler modelde önemli bulunmamış ve bu nedenle, Reel Kur Endeksi artışlarının ihracatı azaltıcı etkilerinin risk üzerinde yaratması beklenen yukarı yönlü değişimler model sonuçlarına taşınmamıştır.
Emisyon ve ücret endeksi değişimlerinin ülke riski üzerindeki ters yönlü etkisi yine beklenen bir sonuçtur. Bu göstergelerdeki değer artışları, güçlü bir mali ve ekonomik yapının yansıması şeklinde yorumlanabilmektedir. Diğer taraftan, Açık Piyasa İşlemleri değişiminin artış trendine işaret etmesi ülke riskini artırıcı yönde bir rol üstlenmektedir. Söz konusu bu işlemlerin hacmindeki artış, ülke yönetimlerinin ekonomiye müdahale etme eğilimi olarak değerlendirilebilir. Ayrıca, müdahalenin para arzını azaltmak amacıyla yapılması durumunda (Açık Piyasa İşlemleri Değişimi’nin pozitif olduğu durumlarda) emisyon azalmakta olup riskin artacağı düşünülmektedir.

Tablo 5 ve Tablo 6 Buraya


3. SONUÇ
ROC istatistikleri doğrultusunda, ekonometrik parametreler yardımıyla ülke riski öngörülerinin yalın bir modele kıyasla daha başarılı ve oldukça yüksek bir düzeyde yapılabildiği yönündeki hipotezimiz kabul edilmiştir. Yapay Sinir Ağı modelimizde kapsanan değişkenlerin risk etkileri Tablo 7’de özet hale getirilmiştir.
Tablo 7 Buraya

Tabloda özetlenen etkiler dikkate alındığında, enflasyon değişimi ile bu değişkenle paralel değişim arz eden makroekonomik değişkenlerin riski artırdığı görülmektedir. Risk azalışına sebep olan makroekonomik göstergeler arasında GSYİH, İstihdam Endeksi, Güven Endeksi, Ücret Endeksi ve Reel Kur Endeksi ön plana çıkmaktadır.


Ekonomik büyümenin bir göstergesi durumunda olan Gayri Safi Yurtiçi Hasıla değişimlerinin modelde ters etkiyle önemli bulunması teoriye uygundur. Ayrıca, enflasyonun önemli ve pozitif bir risk katkısı yarattığı görüşü de sonuçlarımızda destek bulmuştur. Çoğu zaman bankacılık krizleri için de bir belirleyici olduğu savunulan reel kur endeksi değişimlerinin analizimizde de kanıtlanan etkisi önemlidir. Merkez Bankası’nın dış yükümlükleri ile ülke riski değişimleri arasında tespit edilen doğru orantılı ilişki, Türkiye’nin dışa bağımlı ekonomik işleyişi ve artan yükümlülüklerin ülke kredibiliteleri için olumlu bir gösterge olarak algılanabileceği olgusu ile açıklanabilir.
Tüm sonuçların ışığında, ekonomik olay ve gelişmelerin ülke riski düzeyinin çok önemli bir bileşeni olduğu anlaşılmaktadır.
KAYNAKÇA
Bourke P. ve Shanmugan, B. (1990). An Introduction to Bank Lending. Addison Wesley Business Series

Brewer T. ve Rivoli, P. (1990). Politics and Percieved Country Creditworthiness in International Banking. Journal of Money, Credit and Banking, 22, 357 - 369

Burton F. ve Inoue, H. (1985). An Appraisal of the Early Warning Indicators of Sovereign Loan Default in Country Risk Evaluation System. Management International Review, 25, 45 - 56

Cantor R. ve Packer, F. (1996). Determinants and Impact of Sovereign Credit Ratings. Economic Policy Review, Federal Reserve Bank of New York: 37 – 53

Chambers Nurgül R., İşeri, M. ve Çilingirtürk, A. (2003). Makro Ekonomik Göstergelerin İMKB Üzerindeki Etkilerini İncelemeye Yönelik Bir Araştırma. İstanbul: Türkmen Kitabevi

Coakley J. R. ve Brown, C.E. (2000). Artificial Neural Networks in Accounting and Finance: Modeling Issues. International Journal of Intelligent Systems in Accounting, Finance, and Management, 9, 120 - 136

Çuhacı L. (2004). Çok Katmanlı Yapay Sinir Ağlarının Geri-Yayılım İle Eğitilmesi. Temel Bilimlerde İstatistik Yöntemler Kitabı, İstanbul: İKÜ Yayını,

Feder, G. ve Uy L. (1985). The Determinants of International Creditworthiness and their Policy Implications. Journal Policy Modeling, 7, 133 – 156

Gür, T. H. (2001). A Country Risk Assessment Model and the Asian Crisis. Central Bank Review, 49 - 68

Hammer P.L., Kogan, A. ve Lejeune, L.A. (2004). Country Risk Ratings: Statistical and Combinatorial Non-Recursive Models. Rutcor Research Report, RRR No: 8

Haque M. A. (2008). Country Risk Assessment: Risk Assessment of the Developing Countries. Journal of International Business Research, 7(1), 21 - 34

Hood J. (2001). Think Global. Strategic Risk, 6, 47 – 50

Karmann A. ve Maltritz, D. (2010). Evaluation and Comparison of Market and Rating Based Countrr Default Risk Assessment. Frontier in Finance and Economics, 7(1), 34 - 59

Khattab A.A., Aldehayyat, J. ve Stein, William (2010). Informing Country Risk Assessment in International Business. International Journal of Business and Management, 5(7), 54 - 62

Korkmaz E. (2006). Reel Kur Endeksi. <www.esfenderkormaz.com/gozcu/reel-kur-endeksi.html>, (2010, Haziran 24)

Linder A. ve Santiso, C. (2002). Asseing the Predictive Power of Country Risk Ratings and Governance Indicators. SAIS Working Paper Series: WP / 02 / 02

Merrill J. (1982). Country Risk Analysis. Columbia Journal of World Business, 88 - 91

Oetzel J. (2001). Smaller may be beautiful but is t more risky?: Asessing and managing political and economic risk in Costa Rica. International Business Review, 14, 765 – 790

Oetzel, J.M. ve Bettis, R.A. (2001), Country Risk Measures: How Risky are They?, Journal of World Business

Schroeder S. K. (2007). The Underpinnings of Country Risk Assessment. Journal of Economic Surveys, 22(3), 498 - 535

Serdengeçti S. (1999). Merkez Bankası Vaziyeti ve Anlamı. Ankara, <www.tcmb.gov.tr>, (2005, Mayıs 16)

Shapiro A. (1999). Multinational Financial Management. (6.Baskı). Londra: Prentice Hall

Soussannov D. (2002). Statistical Data Choice in Country Risk Analysis. Journal of Investing, 11(4)

Stein J.L. ve Paladino, G. (2001). Country Default Risk: An Empirical Assessment. Australian Economic Papers, 417 - 436

Torsun I.S. (1996). A Neural Network for A Loan Application Scoring System. The New Review of Applied Expert Systems, 2, 47 - 62

Vij M. (2005). The Determinants of Country Risk Analysis: An Empirical Approach. Journal of Management Research, 5(1), 20 - 31



Vij M. ve Kapoor ,M.C. (2007). Country Risk Analysis: A Case Study of India. Journal of Management Research, 7(2), 87 – 102

1 Standardize değerler (x – ortalama) / standart sapma formülüyle hesaplanmıştır.


Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©kagiz.org 2016
rəhbərliyinə müraciət